半监督视角下类内方差辅助的深度度量学习
计算机视觉与模式识别
2023-04-24 v1
摘要
深度度量学习旨在构建一个嵌入空间，使同类样本彼此接近，而异类样本彼此远离。大多数现有深度度量学习方法试图最大化类间特征差异，并通过在嵌入空间中增大异类样本间的距离来获取语义相关信息。然而，在压缩所有正样本的同时于不同类间制造大间隔，会在无意识中破坏相似样本间的局部结构。忽略相似样本间局部结构所包含的类内方差，训练所得的嵌入空间在未见类上的泛化性较低，将导致网络过拟合训练集并在测试集上崩溃。针对这些考量，本文设计了一种自监督生成辅助排序框架，为典型监督深度度量学习提供类内方差学习的半监督视角。具体而言，本文对满足特定条件的样本以不同强度与多样性进行样本合成，以模拟类内样本的复杂变换；并利用自监督学习思想设计类内排序损失函数，约束网络在训练过程中保持类内分布以捕获细微类内方差。该方法可获得更真实的嵌入空间，其中样本的全局与局部结构均被良好保留，从而提升下游任务的有效性。在四个基准上的大量实验表明，该方法超越了 SOTA 方法。
引用
@article{arxiv.2304.10941,
title = {Deep Metric Learning Assisted by Intra-variance in A Semi-supervised View of Learning},
author = {Liu Pingping and Liu Zetong and Lang Yijun and Zhou Qiuzhan and Li Qingliang},
journal= {arXiv preprint arXiv:2304.10941},
year = {2023}
}